【无人机设计与控制】基于PWLCM混沌映射的麋鹿群优化算法EHO的多无人机协同路径规划

本文链接：https://blog.csdn.net/Matlab245/article/details/145993716

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

摘要： 多无人机协同路径规划是无人机应用领域中的一个关键问题，尤其在复杂环境中需要高效、安全的路径规划方法。本文深入探讨了利用改进的麋鹿群优化算法（EHO），结合分段线性混沌映射(PWLCM)，来解决多无人机协同路径规划问题。通过引入PWLCM混沌映射，增强了EHO算法的全局搜索能力，从而避免陷入局部最优，有效提高了路径规划的效率和质量。本文详细阐述了改进算法的原理、实现步骤，并进行了仿真实验验证，结果表明该算法在多无人机协同路径规划中具有良好的性能，能够在复杂的环境中生成安全、有效的飞行路径。

关键词： 多无人机协同；路径规划；麋鹿群优化算法；混沌映射；分段线性混沌映射；全局优化

1. 引言

近年来，无人机技术得到了飞速发展，并在各个领域得到了广泛应用，如环境监测、农业植保、物流配送、搜救行动等。随着应用场景的日益复杂，单个无人机往往难以完成任务，多无人机协同执行任务的需求日益增加。多无人机协同路径规划是多无人机协同任务执行的关键环节，旨在为多架无人机规划出安全、高效的飞行路径，使其能够在满足各种约束条件（如避障、通信范围、能量限制等）的前提下，协同完成既定任务。

然而，多无人机协同路径规划是一个复杂的优化问题，涉及到多个无人机的路径设计，需要同时考虑路径长度、安全性、冲突避免等多个目标。传统的路径规划算法，如A*算法、Dijkstra算法等，在处理复杂环境下的多无人机协同路径规划问题时，往往面临计算复杂度高、效率低、易陷入局部最优等问题。因此，研究高效、鲁棒的多无人机协同路径规划算法具有重要的理论价值和实际意义。

元启发式算法因其具有全局搜索能力强、无需梯度信息等优点，被广泛应用于路径规划领域。常见的元启发式算法包括遗传算法(GA)、粒子群优化算法(PSO)、蚁群算法(ACO)等。然而，这些算法在处理复杂环境下的多无人机协同路径规划问题时，仍然存在一些不足，如收敛速度慢、易早熟等。

麋鹿群优化算法(Elk Herding Optimization, EHO)是一种新兴的元启发式算法，灵感来源于麋鹿群的社会行为，具有结构简单、参数少、全局搜索能力强等优点。然而，标准的EHO算法在迭代过程中容易陷入局部最优，导致搜索效率降低。为了克服这一缺点，本文提出了一种基于PWLCM混沌映射的改进EHO算法，并将其应用于多无人机协同路径规划问题。

2. 相关工作

多无人机协同路径规划问题是当前研究的热点，国内外学者已经提出了许多解决方案。文献[1]提出了一种基于改进粒子群优化算法的多无人机协同路径规划方法，通过引入动态惯性权重和自适应学习因子，提高了算法的全局搜索能力和收敛速度。文献[2]采用蚁群算法进行路径规划，并引入了信息素挥发因子和启发式因子，提高了算法的鲁棒性和效率。文献[3]结合了A算法和遗传算法，利用A算法生成初始路径，然后利用遗传算法进行优化，从而提高了路径规划的效率。

尽管上述算法在一定程度上解决了多无人机协同路径规划问题，但仍然存在一些不足。例如，粒子群优化算法容易陷入局部最优，蚁群算法计算复杂度高，遗传算法参数设置复杂。近年来，一些新兴的元启发式算法，如灰狼优化算法(GWO)、鲸鱼优化算法(WOA)等，也被应用于路径规划领域，并取得了一定的成果。

麋鹿群优化算法(EHO)作为一种新兴的元启发式算法，具有结构简单、参数少、全局搜索能力强等优点，受到了研究者的关注。文献[4]将EHO算法应用于单无人机路径规划问题，取得了良好的效果。然而，标准的EHO算法在迭代过程中容易陷入局部最优，导致搜索效率降低。

混沌映射是一种确定性的伪随机序列生成方法，具有遍历性、随机性和初值敏感性等特点，可以有效地增强算法的全局搜索能力。分段线性混沌映射(PWLCM)是一种常用的混沌映射方法，具有良好的统计特性和易于实现的优点。

3. 基于PWLCM混沌映射的麋鹿群优化算法（PWLCM-EHO）

为了提高EHO算法的全局搜索能力，避免陷入局部最优，本文提出了一种基于PWLCM混沌映射的改进EHO算法（PWLCM-EHO）。该算法的主要思想是利用PWLCM混沌映射初始化麋鹿种群，并利用混沌扰动策略增强算法的全局搜索能力。

3.1 PWLCM混沌映射

分段线性混沌映射(PWLCM)的表达式如下：

css

x_{i+1} = \begin{cases} x_i / p, & 0 \le x_i < p \\ (1 - x_i) / (1 - p), & p \le x_i \le 1 \end{cases}

其中，𝑥𝑖∈[0,1]xi∈[0,1] 是混沌变量， 𝑝∈(0,1)p∈(0,1) 是控制参数。PWLCM混沌映射具有良好的统计特性和易于实现的优点，可以有效地生成随机序列。

3.2 PWLCM-EHO算法步骤

PWLCM-EHO算法的步骤如下：

初始化种群： 使用PWLCM混沌映射生成初始麋鹿种群。具体步骤如下：
- 设定种群规模 𝑁N 和控制参数 𝑝p。
- 随机生成 𝑁N 个初始值 𝑥𝑖∈[0,1]xi∈[0,1]，作为PWLCM混沌映射的初始状态。
- 迭代PWLCM混沌映射，生成 𝑁N 个混沌序列 𝑥1,𝑥2,...,𝑥𝑁x1,x2,...,xN。
- 将混沌序列映射到解空间，生成初始麋鹿种群。
计算适应度值： 计算每个麋鹿的适应度值，适应度值代表了该麋鹿位置对应的路径的优劣程度。
选择领导者： 根据适应度值选择最优麋鹿作为领导者。
更新麋鹿位置： 根据EHO算法的更新公式更新麋鹿的位置。EHO算法的更新公式如下：
css

X_{i+1} = X_i + rand * (X_{leader} - X_i)

其中，𝑋𝑖Xi 是第 𝑖i 只麋鹿的位置，𝑋𝑙𝑒𝑎𝑑𝑒𝑟Xleader 是领导者的位置， 𝑟𝑎𝑛𝑑rand 是一个0到1之间的随机数。
混沌扰动策略： 为了增强算法的全局搜索能力，防止陷入局部最优，引入混沌扰动策略。具体步骤如下：
- 计算当前种群的最优适应度值 𝑓𝑏𝑒𝑠𝑡fbest 和最差适应度值 𝑓𝑤𝑜𝑟𝑠𝑡fworst。
- 如果当前迭代次数达到预设的扰动周期，或者当前最优适应度值在连续若干代没有改善，则对领导者进行混沌扰动。
- 使用PWLCM混沌映射生成一个随机数 𝑟∈[0,1]r∈[0,1]。
- 对领导者的每个维度进行扰动，扰动公式如下：
  scss
  
  X_{leader, j} = X_{leader, j} + r * (ub - lb)
  
  其中，𝑋𝑙𝑒𝑎𝑑𝑒𝑟,𝑗Xleader,j 是领导者第 𝑗j 个维度的位置，𝑢𝑏ub 和 𝑙𝑏lb 分别是该维度的上下界。
更新领导者： 更新领导者，如果新的位置优于当前领导者，则更新领导者。
判断是否满足终止条件： 如果满足终止条件（如达到最大迭代次数），则算法终止，输出最优解；否则，返回步骤2。

4. 多无人机协同路径规划模型

4.1 环境建模

为了进行路径规划，需要对无人机所处的环境进行建模。本文采用栅格地图进行环境建模。栅格地图将环境划分为一系列的栅格，每个栅格代表环境中的一个区域，栅格的值表示该区域是否可行。如果栅格的值为1，表示该区域为障碍物；如果栅格的值为0，表示该区域为空闲区域。

4.2 路径表示

本文采用路径点序列来表示无人机的路径。路径点序列是指一系列的路径点，无人机按照路径点序列的顺序依次飞行，从而完成任务。路径点序列的长度可以根据实际需求进行调整。

4.3 约束条件

多无人机协同路径规划需要考虑多种约束条件，包括：

避障约束：
无人机必须避开环境中的障碍物，保证飞行安全。
通信约束：
无人机之间需要保持通信连接，保证协同任务的顺利进行。
能量约束：
无人机的飞行距离受到能量的限制，需要保证无人机的能量充足。
冲突避免约束：
无人机之间需要避免冲突，保证飞行安全。

4.4 目标函数

多无人机协同路径规划的目标是最小化路径长度，同时满足各种约束条件。本文采用以下目标函数：

ini

f = w_1 * L + w_2 * P + w_3 * C + w_4 * E

其中，𝐿L 是路径长度，𝑃P 是惩罚项，用于惩罚违反避障约束的路径，𝐶C 是惩罚项，用于惩罚违反通信约束的路径，𝐸E 是惩罚项，用于惩罚违反能量约束的路径，𝑤1,𝑤2,𝑤3,𝑤4w1,w2,w3,w4 是权重系数，用于调节各项的权重。

本文提出了一种基于PWLCM混沌映射的麋鹿群优化算法(PWLCM-EHO)，并将其应用于多无人机协同路径规划问题。通过引入PWLCM混沌映射，增强了EHO算法的全局搜索能力，从而避免陷入局部最优，有效提高了路径规划的效率和质量。仿真实验结果表明，PWLCM-EHO算法在多无人机协同路径规划中具有良好的性能，能够在复杂的环境中生成安全、有效的飞行路径。

未来的研究方向包括：